Sigmoid 函数及其导数推导

Sigmoid 函数及其导数推导

1. 了解 Sigmoid 函数

Sigmoid 函数是神经网络中常用的激活函数，因其平滑的S形曲线和将输入压缩至 (0, 1) 的特性，在神经网络的激活函数中扮演着重要角色。其定义如下：

$$\sigma (x)=\frac{1}{1+e^{-x}}$$

其中，$e$ 是自然常数，约等于 2.718。Sigmoid 函数的输出范围为 (0, 1)，这使它特别适合作为二分类问题中输出层的激活函数。

Sigmoid 函数的图形如下所示：

2. 应用微分规则

为了推导 Sigmoid 函数的导数，我们需要对它进行微分。根据 Sigmoid 函数的定义：

$$\sigma (x)=\frac{1}{1+e^{-x}}$$

接下来，我们将对这个函数进行微分，以计算其导数。

3. 引入中间变量 $u$

为了简化求导过程，我们可以先引入一个中间变量 $u$，定义如下：

$$u=1+e^{-x}$$

这样，Sigmoid 函数可以重新表示为：

$$\sigma (x)=\frac{1}{u}$$

4. 对 Sigmoid 函数求导

现在，我们通过链式法则求解 Sigmoid 函数的导数。链式法则告诉我们，如果一个函数是复合函数的形式，那么其导数可以通过对各个部分分别求导并相乘来得到。

4.1 对 $u=1+e^{-x}$ 求导

首先对 $u$ 进行求导：

$$\frac{du}{dx}=\frac{d}{dx}(1+e^{-x})=0-e^{-x}\cdot (-1)=e^{-x}$$

4.2 对 $\sigma (x)=\frac{1}{u}$ 求导

接下来对 $\sigma (x)$ 进行求导：

$$\frac{d\sigma (x)}{du}=\frac{d}{du}\left(\frac{1}{u}\right)=-\frac{1}{u^2}$$

4.3 应用链式法则

根据链式法则，Sigmoid 函数的导数可以表示为：

$$\frac{d\sigma (x)}{dx}=\frac{d\sigma (x)}{du}\cdot \frac{du}{dx}=-\frac{1}{u^2}\cdot e^{-x}$$

将 $u=1+e^{-x}$ 代入，得到：

$$\frac{d\sigma (x)}{dx}=-\frac{e^{-x}}{(1+e^{-x}{)}^2}$$

5. 简化表达式

为了进一步简化这个表达式，我们注意到 Sigmoid 函数的定义和性质：

$$\sigma (x)=\frac{1}{1+e^{-x}}$$

以及：

$$1-\sigma (x)=\frac{e^{-x}}{1+e^{-x}}$$

因此，导数可以重写为：

$$\frac{d\sigma (x)}{dx}=\sigma (x)\cdot (1-\sigma (x))$$

6. 最终结果

最终我们得到了 Sigmoid 函数的导数公式：

$$\frac{d\sigma (x)}{dx}=\sigma (x)\cdot (1-\sigma (x))$$

这个公式表明，Sigmoid 函数的导数不仅依赖于输入 $x$ ，更依赖于 Sigmoid 函数本身的输出值 $\sigma (x)$。这个性质在反向传播算法中尤为重要，因为它允许我们在计算误差梯度时，可以直接利用前向传播的结果，从而简化计算并提高效率。

应用和意义

在神经网络中，Sigmoid 函数的导数用于反向传播算法中计算误差的梯度。这种函数的形式使得在更新权重时，不仅能够考虑当前的输入值，还可以利用 Sigmoid 函数的输出，从而在训练过程中更加高效。

此外，由于导数的形式与输出值直接相关，因此可以避免重复计算，在反向传播时极大地节省了计算资源。